A guide to knowledge translation theory
Notice bibliographique
Résumé
Despite calls over several decades for theory development, there remains no overarching knowledge-translation theory. However, a range of models and theoretical perspectives focused on narrower and related areas have been available for some time. We provide an overview of selected perspectives that we believe are particularly useful for developing testable and useful knowledge-translation interventions. In addition, we discuss adjuvant theories necessary to complement these perspectives. We draw from organizational innovation, health, and social sciences literature to illustrate the similarities and differences of various theoretical perspectives related to the knowledge-translation field.A variety of theoretical perspectives useful to knowledge translation exist. They are often spread across disciplinary boundaries, making them difficult to locate and use. Poor definitional clarity, discipline-specific terminology, and implicit assumptions often hinder the use of complementary perspectives. Health care environments are complex, and assessing the setting prior to selecting a theory should be the first step in knowledge-translation initiatives. Finding a fit between setting (context) and theory is important for knowledge-translation initiatives to succeed. Because one theory will not fit all contexts, it is helpful to understand and use several different theories. Although there are often barriers associated with combining theories from different disciplines, such obstacles can be overcome, and to do so will increase the likelihood that knowledge-translation initiatives will succeed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,031 | 0,067 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,005 | 0,009 |
| Communication savante | 0,011 | 0,014 |
| Science ouverte | 0,006 | 0,008 |
| Intégrité de la recherche | 0,008 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,048 | 0,027 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».